Qualitative Research in Communities of Color: Challenges, Strategies, and Lessons
Notice bibliographique
Résumé
In its quest to improve social work practice and design interventions to reach a broader swath of its diverse clientele, the discipline of social work continues to recognize and encourage research within underserved communities of color. Researchers are increasingly turning to qualitative methods to better understand marginalized groups and the nuances of their experiences. Although there are a number of benefits to conducting qualitative research within communities of color, researchers frequently encounter challenges, which range from access to community members to getting participants to speak on topics that they and/or their communities consider to be private or taboo. Research strategies thus far have been directed at researchers who are narrowly defined as “outsiders” or have recommended including scholars of color as members of the research team. However, barriers can persist. Thus, our group of authors—four researchers of color and one white researcher with experience conducting community-based participatory research within marginalized communities where she had previous relationships—share our experiences in this paper. We highlight lessons learned and effective strategies that scholars, especially scholars of color, may use in qualitative research with marginalized and underserved communities, including communities of color.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,518 | 0,314 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,033 | 0,048 |
| Communication savante | 0,030 | 0,028 |
| Science ouverte | 0,014 | 0,036 |
| Intégrité de la recherche | 0,012 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».